12 · 从 TTS 到教学视频：先建立时间轴，再讨论生成效果

定位：多媒体实现复盘。 依据 audio-work/ 与 Sloper 岩点教学样片源码、测试和文件清单。本次没有试听评测、远程配音、生图或视频重编码；原有媒体与报告不被解释为本轮验收结果。

生成一句配音并不难，难的是把它放进作品：一句过长会挤占下一镜，一次转写误差会把后续字幕全部推偏，采样率不一致会破坏拼接，只有漂亮关键帧也未必能讲清动作。

这些实验共同指向一个思路：声音、画面、字幕和教学信息必须共享可检查的时间结构，而不是各自生成后再勉强拼接。

一、分句不只有一种算法

音频工程中有两条值得区分的路线。

第一条先人工给定章节区间，再根据汉字数量分配句子目标时长，最后在目标附近寻找低能量位置。评分同时考虑音频能量与偏离预期的距离。这是结合人工先验的启发式切句，不是自动逐字强制对齐。

第二条针对已有转写结果：先把词的时间均分给汉字，再用动态规划匹配预期文本。其替换代价区分完全相同、同拼音和不同字；插入删除使用固定代价。当前实现中，同拼音替换成本低于普通替换，整体匹配不足阈值时会停止，而不是继续生成看起来完整的切分结果。

这条方法对中文同音转写错误有实用价值，但也有边界：无声调拼音可能掩盖真实错字，词内均分不是真实字级发音时间，重复句也需要抽查。ASR 时间戳是线索，不应被包装成绝对准确的对齐真值。

二、三条声音路线，承担不同能力

路线	仓库实现	能说明什么
声码器重构	保留 TTS 的频谱/非周期性信息，替换音高等参数	研究已有语音与旋律结合
变速变调	压缩静音，用 Rubber Band 等工具调整时长	研究句子如何适配目标时间窗口
歌谱驱动合成	显式提供歌词、音符与时值，调用歌声服务	研究带乐谱约束的试听生成

它们不能统一称为“训练了专业歌声模型”。仓库有分离人声、伴奏和试音中间件，也不能仅凭这些文件推断所有上游步骤都有完整可重现脚本。

音频来源与声音授权还需要单独处理。技术复用不应自动携带第三方原曲、人像声线或不明确的分发权利。

三、把音频操作变成数组与时间契约

试听相关测试关注歌词窗口、音符与时值是否对应，持续时间是否为正，以及混音中的采样偏移、尾部处理、重采样长度和峰值归一化。

这些是非常适合自动测试的层次：把某个音频放到时间轴第几秒，最终应落在相应采样位置；重采样后长度应与目标时长一致；音轨相加不能无意截断或越界。

但它们不负责判断咬字、自然度、音准或音乐表达。固定删除服务尾部填充等规则也属于外部服务相关假设，需要版本化，不能当成所有音频都适用的“通用清理”。

正确的评估应让数组测试和试听互补，而不是用转写文本正确代替完整听感。

四、视频工程以镜头数据作为中心

Sloper 样片的配置包含 8 个镜头，总时长 59.5 秒，帧率 30，分辨率 1080×1920。这些都是当前样片合同，不代表已完成全部岩点系列。

每个镜头同时保存：

id、start、end、narration、subtitle、visual_brief、motion、overlays

同一份时间与内容数据驱动提示词、配音、字幕和画面。加载器检查 ID、时间连续性、镜头数量及总时长闭合，避免旁白与画面各自维护一套时间表。

这个结构也暴露了当前边界：八镜头约束与 Sloper 数据绑定，不是通用视频编辑器；原始设计中的二十三条系列规划不能据此宣布完成。

图 12：Sloper 样片配置为 8 镜头、59.5 秒、30 fps、1080 × 1920。图中展示单镜头的规范化时间区间，不是各镜头真实时长图；画面运动为二维变换与解释性叠层。

五、“三维风格”不等于三维动画

样片渲染对二维关键帧的不同区域做平移缩放，再叠加箭头、热区和发力链等教学图层；镜头尾部做短暂混合过渡，逐帧生成 RGB 数据供 FFmpeg 编码。

这种方法可以低成本增加可读性，但它没有执行三维骨骼运动、接触求解或受力仿真。热区是解释性图形，不是压力传感或物理计算结果。

因此，视觉表达与专业内容要分别验收。画面动起来之后，应检查箭头、接触点、旁白和字幕是否讲同一个机制，而不是只检查过渡是否顺滑。

六、预览、正式产物和验证链必须分开

本次文件盘点只发现样片的动态预览 MP4。代码存在正式版与干净版输出路径及编码参数，但未发现对应正式视频，也没有设计中独立质检模块和完整项目 README。

名为 test_validate.py 的测试检查的是编码命令内容，而不是解码正式成片后的质量。它可以保护某些参数不被误改，却不能证明时长、分辨率、音画同步和全片视觉已经达标。

这是多媒体项目中常见的证据错位：有编码器，不等于有成片；有成片，不等于完成了验收。

七、建议的复核顺序

1. 先检查镜头数据：时间连续、旁白与字幕对应、结束点闭合。
2. 使用已有输入核对单句音轨时长、采样率和目标窗口，避免直接重跑远程服务。
3. 生成小尺寸预览，检查教学语义、图层位置和首尾过渡。
4. 导出正式成片后，用媒体解析工具检查真实流信息，而不是只看命令参数。
5. 完整播放，核对音画同步、字幕可读性、内容准确性及来源授权。
6. 保存配置、输入版本和检查记录，使某个镜头可以单独返工。

本次没有执行这一完整流程。已有单元测试的实际运行情况单列在系列校验记录中，不与试听或正式视频验收混写。

结语

多媒体管线最稳定的资产不是某一次生成的声音或图片，而是可重建的时间结构。当每句话、每个镜头和每次变换都有位置与约束，生成式素材才能进入真正的工程流程。